一.读取一张示例图片或自己准备的图片，观察图片存放数据特点。
根据图片的分辨率，可适当降低分辨率。
再用k均值聚类算法，将图片中所有的颜色值做聚类。
然后用聚类中心的颜色代替原来的颜色值。
形成新的图片。
观察原始图片与新图片所占用内存的大小。
将原始图片与新图片保存成文件，观察文件的大小。
#读取一张示例图片或自己准备的图片，观察图片存放数据特点
from sklearn.datasets import load_sample_image
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np #读取图片
china = load_sample_image("china.jpg")
plt.imshow(china)
plt.show()
print(china.shape)#观察图片存放数据特点
china #根据图片的分辨率，可适当降低分辨率
image = china[::3, ::3]
X = image .reshape(-1,3)
plt.imshow(image)
plt.show()
print(image.shape,X.shape) #再用k均值聚类算法，将图片中所有的颜色值做聚类。
n_colors =64 #(256,256,256)
model = KMeans(n_colors) #每个点的颜色分类，0-63
labels = model.fit_predict(X) #64个聚类中心，颜色值
colors = model.cluster_centers_ #用聚类中心的颜色代替原来的颜色值
new_image=colors[labels] #形成新的照片
new_image=new_image.reshape(image.shape)
plt.imshow(new_image.astype(np.uint8))
plt.show() #观察原始图片与新图片所占用内存的大小，将原始图片与新图片保存成文件，观察文件的大小。
import matplotlib.image as img
img.imsave('F:\\china.jpg',china)
img.imsave('F:\\china_zip.jpg',image)
运行结果
二.理解贝叶斯定理：
- M桶：7红3黄
- N桶：1红9黄
- 现在：拿出了一个红球
- 试问：这个红球是M、N桶拿出来的概率分别是多少？
